論文
フィジカルAI関連の最新論文を、日本語のひとことで。原題は英語です。
最新論文: 2026/9/21 / arXivを3時間ごとに自動収集
📖 UMIデバイス・カタログ(日本語版)UMI式データ収集デバイスと主要データセットを日本語で俯瞰 →- 論文VLAロボティクス
DualWAM: 非同期グローバル計画と局所修正のためのデュアルシステム世界行動モデル
グローバル計画と手首視点による局所修正を非同期に分離し、高頻度な閉ループ制御を可能にした世界行動モデル。FrankaとGalbotでのゼロショット操作で成功率を平均4.5ポイント向上させ、16.6倍の高速化を実現。
原題: DualWAM: Dual-System World Action Models for Asynchronous Global Planning and Local Refinement / Yixin Zheng, Jiangran Lyu, Yuntian Deng 他
日本語で読む → - 論文VLAロボティクス
Imagine-RL:予測残差信頼度で導くクロスアテンションによる世界モデル拡張VLA強化学習
凍結したVLA方針をノイズ空間強化学習で微調整する際、視覚・力覚の潜在世界モデルで将来の結果を予測し、その予測残差を信頼度として活用することで接触の多い操作タスクの成功率を大幅に向上させた。
原題: Imagine-RL: Residual-Confidence-Guided Cross-Attention for World-Model-Augmented VLA Reinforcement Learning / Kejia Hu, Wentong Zhai, Bo Zhao 他
日本語で読む → - 論文VLAロボティクス
人間とロボットの協調における計画学習:適応的インタラクションのためのマルチモーダル強化学習
家庭内で物体を探す際に、言語と身体動作を含むマルチモーダル信号を扱いながらユーザーを支援するロボットの対話方針を、強化学習で自動生成する手法を提案し、実世界でのユーザー研究で有効性を示した。
原題: Learning to Plan in Human-Robot Collaboration: Multimodal Reinforcement Learning for Adaptive Interaction / Afagh Mehri Shervedani, Siyu Li, Natawut Monaikul 他
日本語で読む → - 論文VLAロボティクス
vla.simd: 言語条件付きマニピュレーションのための効率的なCPU推論
GPUなしで言語条件付きマニピュレーションを動かすため、SIMDカーネルと再利用計算を組み合わせたCPU推論エンジンvla.simdと、Raspberry Pi 5上で毎秒30動作以上を供給するACTベース方策IMPACTを提案した。
原題: vla.simd: Efficient CPU Inference for Language-Conditioned Manipulation / Khanh D. Nguyen, Hoang M. Truong, An T. Le
日本語で読む → - 論文VLAAI
X-Planner: 身体性知能のためのイベント構造化タスクプランニング
VLAシステムのためのプランニングフロントエンドX-Plannerを提案し、イベント構造化された計画形式と段階的デコーディングで長期的操作タスクの計画品質と実行性能を向上させた。
原題: X-Planner: Event-Structured Task Planning for Embodied Intelligence / Howard Lu, Shalfun Li, Porter Pan 他
日本語で読む → - 論文VLAロボティクス
Bridge3D:Vision-Language-Actionモデルに3D空間での知覚と行動を可能にする
2D中心のVLAモデルに3D基盤モデルの特徴と3Dセマンティックフィールドを組み込み、3D空間での精密なマニピュレーションを実現した。
原題: Bridge3D: Enabling Vision-Language-Action Models to See and Act in 3D / Haoxuan Li, Sixu Yan, Lianghui Zhu 他
日本語で読む → - 論文VLAロボティクス
VLMベース視覚言語ナビゲーションモデルは何に依存しているのか:方策行動の解釈と操作
VLMベースの視覚言語ナビゲーションモデルが視覚・指示・記憶をどう統合し、内部表現を操作することで未知環境での性能を向上できるかを解明した研究。
原題: What do VLM-Based Vision-Language Navigation Models Rely on: Interpreting and Steering Policy Behavior / Débora Oliveira Makowski, Samiran Gode, Abhijeet Nayak 他
日本語で読む → - 論文VLAロボティクス
CARE: 経験に基づく原子的修正実行によるVision-Language-Actionポリシーの回復
VLAポリシーの失敗ロールアウトから段階別の失敗分布を学習し、推論時に3Dモニタリングで原子的な修正動作をトリガーすることで、ロボット操作の回復性能を向上させるフレームワーク。
原題: CARE: Experience-Guided Atomic Corrective Execution for Vision-Language-Action Policies / Junlan Xiao, Junwei Jiang, Zaibin Zhang 他
日本語で読む → - 論文VLAロボティクス
世界モデルのように考え、VLAのように行動する:世界モデル表現をコンパクトなロボット方策に蒸留
凍結した世界モデルの内部特徴をVLA訓練に特徴整合項として一度だけ蒸留し、推論時コストを増やさずにロボット方策の堅牢性と成功率を向上させた。
原題: Think Like a World Model, Act Like a VLA: Distilling World-Model Representations into Compact Robot Policies / Trung Dao, Sankalp Yamsani, Jaden Park 他
日本語で読む → - 論文VLA画像認識
ME-VLM:身体性認知とエージェント連携を統合した視覚言語モデル
身体性認知とマルチモーダルエージェント能力を統合したVLMを提案し、身体性・エージェント・自動運転・ナビゲーションのベンチマークで競争力のある性能を達成。エッジ展開向けの最適化も行った。
原題: ME-VLM:A Unified VLM for Embodied Cognition and Agent Coordination / Foundation Model, Li Auto Inc
日本語で読む → - 論文VLAロボティクス
RoboTalk: マルチモーダル実演からのマルチロボット通信と協調の学習
小規模VLMをオンデバイスで動かすため、調理タスクのマルチモーダル軌道データセットを生成し、ロボット間の自然言語通信と協調行動を学習させる手法を提案した。
原題: RoboTalk: Learning Multi-Robot Communication and Coordination from Multimodal Demonstrations / Dorian Benhamou Goldfajn, Mason Nakamura, Saaduddin Mahmud 他
日本語で読む → - 論文VLAロボティクス
World Action Modelの設計で重要な要素とは:実証研究
World Action Modelの設計選択(因果構造、潜在空間、学習目的)を制御実験で分離し、ロボット制御性能への影響を体系的に分析した研究。
原題: What Matters in Designing World Action Models: An Empirical Study / Chao Tang, Haoqing Wang, Zilang Cen 他
日本語で読む → - 論文VLAロボティクス
FoldQuantVLA: 一貫した折り畳みによる視覚-言語-行動モデルのネイティブローbit量子化
視覚-言語-行動モデルを再学習なしで4bit量子化し、TensorRTプラグインで高速化する手法を提案。実機タスクで成功率を維持・向上させた。
原題: FoldQuantVLA: Native Low-Bit Quantization of Vision-Language-Action Models via Consistent Folding / Hung T. Ho, Khanh D. Nguyen, Quang D. Nguyen 他
日本語で読む → - 論文VLAロボティクス
Zeva-Ego: 一人称視点動画の中間学習と文脈内因果学習によるロボットマニピュレーション
一人称視点の人間動画から行動中心の監督信号を作りVLAモデルを中間学習させ、さらに展開時に行動と結果のフィードバックからパラメータ更新なしで適応する枠組みを提案。
原題: Zeva-Ego: Egocentric Mid-Training with In-Context Causal Learning for Robot Manipulation / Bingjia Huang, Xin Ding, Fu Chen 他
日本語で読む → - 論文VLA画像認識
予想外のロボットポリシー:GPT-6 AstraのRoboDojoとその先における初期評価
大規模言語モデルをロボット操作のポリシーとして直接使えるかを検証し、GPT-6 Astraが公開ポリシーを上回る成功率を示す一方、精度や動的制御を要するタスクは苦手であることを明らかにした。
原題: An Unexpected Robot Policy: Early Evaluations of GPT-6 Astra on RoboDojo and Beyond / Wenbo Zhang, Kaixuan Wang, Yutao Ouyang 他
日本語で読む → - 論文VLAロボティクス
ActiveArena:ロボットマニピュレーションにおける能動的知覚のベンチマークと理解
能動的知覚と操作を評価するためのシミュレータと35タスクのベンチマーク、および13種のVLA構成を提案し、記憶管理やOOD汎化の要因を分析した。
原題: ActiveArena: Benchmarking and Understanding Active Perception in Robotic Manipulation / Yibo Li, Enshen Zhou, Rui Chen 他
日本語で読む → - 論文VLA画像認識
PanoFuse: パノラマ強化型視覚-言語-行動学習と分離型意味-幾何ルーティング
全方向パノラマ知覚をVLAに統合し、意味情報と幾何情報を分離して経路選択するDSGRにより、遮蔽や未知環境下でのマニピュレーション成功率を向上させた。
原題: PanoFuse: Panorama-Enhanced Vision-Language-Action Learning with Decoupled Semantic-Geometric Routing / Peng Xu, Haoran Lin, Wanjun Jia 他
日本語で読む → - 論文VLAロボティクス
ME-Brain-1.0:記憶・認知・行動による自己進化型身体知能
行動実行から経験獲得・進化を経て実行改善へと至る閉ループで自己進化する身体知能システムを提案し、再学習なしにベンチマークで大幅な性能向上を達成した。
原題: ME-Brain-1.0: Memory, Cognition and Action for Evolving Embodied Intelligence / Wei He, Hengtao Li, Zhongrui Yu 他
日本語で読む → - 論文VLAロボティクス
視覚品質を超えて:ワールドアクションモデルによるテスト時計画の研究
ワールドアクションモデルが生成する行動と予測結果を用いた計画の可能性を検証し、視覚品質や物理整合性に基づく選択では限界があることを示した研究。
原題: Beyond Visual Quality: A Study of Test-Time Planning with World Action Models / Jianhao Yuan, Yu Yuan, Benjamin Ramtoula 他
日本語で読む → - 論文VLAロボティクス
StenoVLA-3D: 消化管狭窄ナビゲーションのための3D認識推論VLA
点群マップを統合した3D認識VLAフレームワークを提案し、狭窄領域の内視鏡ナビゲーションと病変報告を実現した。
原題: StenoVLA-3D: 3D-Aware Reasoning VLA for Navigation Through Gastrointestinal Stenoses / Tamima Tabassum, Yiming Huang, Tianchun Wu 他
日本語で読む → - 論文VLAAI
PhysAI-Bench:自律UAV物理AIにおけるLLMベースエージェント意思決定のベンチマーク
自律UAVミッションの対話ログから抽出した1万件超の意思決定インスタンスで、29の基盤モデルのエージェント的意思決定能力を評価するベンチマークを提案。
原題: PhysAI-Bench: A Benchmark for LLM-Based Agentic Decision-Making in Autonomous UAV-Centric Physical AI / Mohamed Amine Ferrag, Merouane Debbah, Abderrahmane Lakas 他
日本語で読む → - 論文VLAロボティクス
トポロジー情報を活用した視覚プロンプティングによる視覚言語行動ポリシー
複雑な障害物形状を持つ操作タスクにおいて、トポロジー署名を用いてVLAポリシーを誘導する視覚プロンプティングフレームワークを提案し、シミュレーションと実機で有効性を示した。
原題: Topology-Informed Visual Prompting For Vision Language Action Policies / Haoyang Wu, Abhinav Kumar, Dmitry Berenson
日本語で読む → - 論文VLAロボティクス
SCULPT-VLA: 段階的行動グラウンディングによる構造化制御の学習
VLAポリシーにおいて、タスク進行・シーン動態・空間グラウンディングの要素を段階的に学習させ、教師なしで連続制御を洗練する手法を提案。LIBEROや実機タスクで成功率を向上させた。
原題: SCULPT-VLA: Learning Structured Control through Staged Action Grounding / Wenbo Li, Yiteng Chen, Wei Zhang 他
日本語で読む → - 論文VLA自然言語
成功した記憶が身体エージェントを誤導するとき:タスク条件付き実行のための記憶適応
過去の成功軌跡をそのまま再利用すると現在の実行文脈に合わないことがあるため、検索後の記憶を実行向けに変換するMATEを提案し、ALFWorldで高い成功率とトークン削減を達成した。
原題: When Successful Memories Mislead Embodied Agents:Memory Adaption For Task-Conditioned Execution / Quanquan Li, Hongbo Zhang, Yihe Chi 他
日本語で読む → - 論文VLA画像認識
MaskVLA: 視覚マスキングによるVision-Language-Actionモデルの軌道過学習の抑制
VLAモデルの微調整時にメインカメラの視覚情報をランダムに一部マスクすることで、手首カメラ情報の活用を促し、軌道過学習を防いで汎化性能とタスク成功率を向上させる手法を提案。
原題: MaskVLA: Visual Masking Against Trajectory Overfitting of Vision-Language-Action Model / Yuxuan Jiang, Jiaying Huang, Ge Wang 他
日本語で読む → - 論文VLAロボティクス
接地行動モデル:ロボティクスの基盤としての3Dグラウンディング
言語・点・ボックス指示を対象物の3D表現に変換し、マルチストリームTransformerで行動を予測するロボット基盤モデルGAMを提案。RoboTwin 2.0やLIBERO-PROで高い成功率を示した。
原題: Grounded Action Model: 3D Grounding as a Foundation for Robotics / Gehao Zhang, Weikai Huang, Shailesh Shailesh 他
日本語で読む → - 論文VLAロボティクス
TaskAnchor: 長期的マニピュレーションのための反応型VLAにおけるタスク状態の接地
視覚的に似た観測でも実行段階によって行動が異なる「タスク状態の曖昧さ」を解消するため、実行履歴に基づく軽量アダプタTaskAnchorを提案し、VLAの成功率を大幅に向上させた。
原題: TaskAnchor: Grounding Task State in Reactive VLAs for Long-Horizon Manipulation / Hengyan Liu, Wenlve Zhou, Bo Yue 他
日本語で読む → - 論文VLAロボティクス
人間中心マルチモーダル観測からの能動的ロボット行動推論
明示的な指示なしに、人間と環境のマルチモーダルな手がかりからロボットが取るべき行動を判断する「能動的ロボット行動推論」を定式化し、実世界データセットProActionと参照モデルMMC2Actを提案した。
原題: Cognitive Action Reasoning for Proactive Robots from Human-Centered Multimodal Observations / Zhihao Gu, Kechao Zhu, Yuanfeng Wu 他
日本語で読む → - 論文VLAロボティクス
RiverVLN: フェーズ接地型時間的視覚言語ナビゲーションによる無人水上艇の河川航行
河川を航行する無人水上艇(USV)向けに、長期的な言語指示を視覚的に検証可能な意味フェーズ列に変換し、予測・実行・再観測ループで連続的なSE(2)姿勢増分を予測するナビゲーション手法PGT-NAVとベンチマークRiverVLNを提案した。
原題: RiverVLN: Phase-Grounded Temporal Vision--Language Navigation for Unmanned Surface Vehicles / Jieling Wu, Yuehao Huang, Jiajun Lv 他
日本語で読む → - 論文VLAロボティクス
CompVLA: 接触を伴うマニピュレーションのための可変コンプライアンス視覚-言語-行動モデル
RGB画像と言語入力から動作と剛性行列を同時に予測し、接触の多いタスクで高い成功率を達成するVLAフレームワークを提案した。
原題: CompVLA: A Variable Compliance Vision-Language-Action Model for Contact-rich Manipulation / Jongmin Kim, Junsu Ha, Che-Sang Park 他
日本語で読む →
PR・アフィリエイト広告
